基于機(jī)器學(xué)習(xí)的日冕儀圖像分類方法研究?

單家輝 封 莉 袁漢青 張 巖? 鐘 忺 甘為群黎輝 黃宇

(1中國(guó)科學(xué)院紫金山天文臺(tái)南京210023)

(2中國(guó)科學(xué)院暗物質(zhì)和空間天文重點(diǎn)實(shí)驗(yàn)室南京210023)

(3武漢理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院武漢430070)

(4中國(guó)科學(xué)技術(shù)大學(xué)天文與空間科學(xué)學(xué)院合肥230026)

(5南京大學(xué)計(jì)算機(jī)軟件新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室南京210023)

1 引言

日冕物質(zhì)拋射(Coronal Mass Ejection,CME)是太陽(yáng)大氣中最劇烈、尺度最大的活動(dòng)現(xiàn)象,表現(xiàn)為在短時(shí)間內(nèi)日冕結(jié)構(gòu)發(fā)生明顯的變化,并伴有1011–1013kg攜帶磁場(chǎng)的等離子體拋射.當(dāng)日冕物質(zhì)拋射的方向朝著地球時(shí),可能會(huì)與地球磁層發(fā)生相互作用,引起近地空間的地磁暴、極光等現(xiàn)象,會(huì)對(duì)通訊系統(tǒng)和電力系統(tǒng)等產(chǎn)生干擾,嚴(yán)重時(shí)會(huì)造成巨大的經(jīng)濟(jì)損失.因此,CME到達(dá)地球的實(shí)時(shí)預(yù)報(bào)對(duì)空間天氣環(huán)境的監(jiān)測(cè)十分重要.

CME的自動(dòng)標(biāo)注和檢測(cè)是實(shí)現(xiàn)CME預(yù)報(bào)的重要前提.太陽(yáng)和日球?qū)犹煳呐_(tái)(Solar and Heliospheric Observatory,SOHO)搭載的大角度光譜日冕儀(Large Angle and Spectrometric Coronagraph Experiment,LASCO)能夠觀測(cè)太陽(yáng)日冕活動(dòng).LASCO由3臺(tái)視場(chǎng)不同的日冕儀構(gòu)成,其中LASCO C2視場(chǎng)的范圍大約是太陽(yáng)直徑的2–6倍.利用長(zhǎng)期運(yùn)行的LASCO拍攝的日冕圖像,美國(guó)國(guó)家航空航天局(National Aeronautics and Space Administration,NASA)通過(guò)手工記錄的方法建立Coordinated Data Analysis Workshops(CDAW)[1]CME事件庫(kù),但是手動(dòng)對(duì)每個(gè)事件標(biāo)注過(guò)于繁瑣且存在個(gè)人的主觀偏差.隨著自動(dòng)檢測(cè)技術(shù)的迅速發(fā)展,涌現(xiàn)了一系列自動(dòng)檢測(cè)識(shí)別CME的方法[2].Robbrecht等[3]基于霍夫變換首次提出一種自動(dòng)檢測(cè)方法Computer Aided CME Tracking catalog(CACTus).Olmedo等[4]基于區(qū)域增長(zhǎng)算法提出Solar Eruptive Event Detection System(SEEDS).除了以上兩種基于灰度特征的識(shí)別方法,Boursier等[5]提出Automatic Recognition of Transient Events and Marseille Inventory from Synoptic maps(ARTEMIS).Goussies等[6]提出了一種基于紋理特征灰度共生矩陣的非參數(shù)監(jiān)督的CME分割方法.Colaninno等[7]提出了一種基于光流法的CME檢測(cè)和跟蹤算法.Liu等[8]使用支持向量機(jī)(Support Vector Machine,SVM)計(jì)算CME到達(dá)時(shí)間估計(jì).Qiang等[9]提出了一種基于自適應(yīng)背景學(xué)習(xí)技術(shù)檢測(cè)CME方法.Zhang等[10]提出了極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)基于圖像亮度和紋理特征檢測(cè)CME,并結(jié)合時(shí)空連續(xù)性排除誤判區(qū)域.以上所述自動(dòng)檢測(cè)方法多為基于灰度特征、紋理特征、光流法、傳統(tǒng)的機(jī)器學(xué)習(xí).由于CME具有多種特征,這些方法主要基于人為選擇的特征或利用設(shè)定簡(jiǎn)單的閾值進(jìn)行處理,并不能達(dá)到很好的檢測(cè)效果.而深度學(xué)習(xí)具有強(qiáng)大的特征提取功能,自動(dòng)學(xué)習(xí)得到有效特征.Wang等[11]基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)提出了CME Automatic detection and tracking with MachinE Learning(CAMEL)自動(dòng)識(shí)別跟蹤C(jī)ME方法.

隨著大數(shù)據(jù)和深度學(xué)習(xí)的發(fā)展,CNN在圖像分類及計(jì)算機(jī)視覺(jué)領(lǐng)域被廣為使用.通常,CNN使用堆疊的卷積核來(lái)逐層提取特征,每個(gè)卷積核僅專注一種特征.它們?cè)谡麄€(gè)圖像中共享權(quán)重.與全連接的神經(jīng)網(wǎng)絡(luò)相比,CNN提高了特征提取效率,大大減少了計(jì)算量,并且可以有效地處理矩陣數(shù)據(jù).在太陽(yáng)活動(dòng)的分析和研究中,深度學(xué)習(xí)算法也引起了天文學(xué)家的關(guān)注并得到應(yīng)用[12].Hernandez[13]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于太陽(yáng)耀斑預(yù)測(cè),Huang等[14]采用深度CNN構(gòu)建太陽(yáng)耀斑預(yù)報(bào)模型,Szenicer等[15]使用CNN網(wǎng)絡(luò)得到極紫外窄帶圖像到光譜輻照度測(cè)量的映射.Armstrong等[16]基于卷積神經(jīng)網(wǎng)絡(luò)的方法,提取Solar Optical Telescope圖像特征分類為暗條、日珥、耀斑帶、黑子和寧?kù)o太陽(yáng).Ahmadzadeh等[17]基于深層網(wǎng)絡(luò)的方法分割暗條.Wang等[18]使用深度學(xué)習(xí)框架建立CME到達(dá)地球時(shí)間的預(yù)測(cè)模型.

本文采用深層Visual Geometry Group(VGG)網(wǎng)絡(luò),利用LASCO C2的白光日冕儀觀測(cè),對(duì)日冕儀圖像按照有無(wú)觀測(cè)到CME進(jìn)行分類.含有CME的圖像標(biāo)簽為1,反之則標(biāo)簽為0.此外,基于VGG分類出來(lái)的標(biāo)簽,我們結(jié)合了時(shí)間序列特性,消除了誤判區(qū)域.根據(jù)分類結(jié)果,我們對(duì)CME圖像序列進(jìn)行了時(shí)間屬性統(tǒng)計(jì)分析,并與CDAW人工事件庫(kù)進(jìn)行了比較.未來(lái)先進(jìn)天基太陽(yáng)天文臺(tái)(Advanced Space-based Solar Observatory,ASO-S)[19]衛(wèi)星的萊曼阿爾法太陽(yáng)望遠(yuǎn)鏡(The Lyman-alpha Solar Telescope,LST)有效載荷上搭載有日冕儀(Solar Corona Imager,SCI)[20–23].我們將對(duì)該儀器產(chǎn)生的日冕圖像進(jìn)行有無(wú)CME的分類,標(biāo)簽為1的圖像將推送給國(guó)內(nèi)的各空間天氣預(yù)報(bào)中心,對(duì)CME進(jìn)行預(yù)警[24].

2 日冕儀圖像分類的深度學(xué)習(xí)模型方法

本文選取LASCO C2日冕儀6個(gè)月的觀測(cè)數(shù)據(jù),其中2011年1月的圖像作為訓(xùn)練集,2011年2月半個(gè)月的圖像作為測(cè)試集,2012年和2014年兩年對(duì)應(yīng)的2月和3月共4個(gè)月的圖像用于研究分類結(jié)果與CDAW比較以及探尋和太陽(yáng)黑子活動(dòng)較大較小月份的關(guān)系.

2.1 數(shù)據(jù)預(yù)處理

利用Solar Software(SSW)中的程序,我們對(duì)日冕儀數(shù)據(jù)進(jìn)行預(yù)處理.使用lasco_readf its.pro讀取0.5級(jí)LASCO C2的f its文件,然后使用reduce_level_1.pro將其處理為level 1數(shù)據(jù).該處理包括對(duì)暗電流、平場(chǎng)、雜散光、畸變、漸暈、輻射定標(biāo)、時(shí)間和位置校正的校準(zhǔn).經(jīng)過(guò)處理后,太陽(yáng)北已經(jīng)旋轉(zhuǎn)到圖像北.作為預(yù)處理步驟,首先將所有1024×1024像素的LASCO C2輸入圖像降采樣為512×512像素.然后,所有降采樣的圖像都將通過(guò)噪聲濾波器,以抑制某些尖銳的噪聲特征.本文采用了大小為3×3的滑動(dòng)窗口歸一化塊濾波器.歸一化塊濾波器是一種基本的線性圖像濾波器,輸出像素值是核窗口內(nèi)像素值的均值.然后,使用以下公式計(jì)算出差分圖像:

其中,pt表示當(dāng)前運(yùn)行差分圖像,nt表示當(dāng)前圖像,nt?1表示上一張圖像.

2.2 構(gòu)建數(shù)據(jù)集

機(jī)器學(xué)習(xí)主要分有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí).有監(jiān)督學(xué)習(xí)是指在已知輸入及其對(duì)應(yīng)輸出的情況下,通過(guò)訓(xùn)練這些數(shù)據(jù),來(lái)發(fā)現(xiàn)它們之間的映射關(guān)系.無(wú)監(jiān)督學(xué)習(xí)僅具有輸入數(shù)據(jù),而沒(méi)有對(duì)應(yīng)的輸出.它需要依靠這些已知數(shù)據(jù)的特征統(tǒng)計(jì)找到其固有關(guān)聯(lián).本文使用有監(jiān)督學(xué)習(xí)來(lái)解決日冕儀圖像的分類問(wèn)題,檢測(cè)圖像中是否有CME發(fā)生.對(duì)預(yù)處理完的數(shù)據(jù)進(jìn)行標(biāo)簽分類,從CDAW事件庫(kù)中獲取標(biāo)簽,但是從實(shí)際的圖中,我們發(fā)現(xiàn)有些圖含有CME結(jié)構(gòu),而CDAW沒(méi)有記錄.因此,在CDAW的基礎(chǔ)上,我們需要再進(jìn)行人工分類,將2011年1月和2月的數(shù)據(jù)二次分類.該數(shù)據(jù)作為本文的訓(xùn)練集和測(cè)試集.

2.3 分類模型

目前,在計(jì)算機(jī)視覺(jué)領(lǐng)域中的深度學(xué)習(xí)模型為CNN,常用于分類的CNN經(jīng)典模型有VGG、AlexNet、LeNet[25–27],CNN利用圖像的空間相關(guān)性提取圖像的輪廓信息,提高了網(wǎng)絡(luò)的學(xué)習(xí)能力.本文日冕儀圖像分類方法采用穩(wěn)定且高性能的VGG模型.

圖1為VGG 16模型結(jié)構(gòu).首先,本文將預(yù)處理完的圖像降采樣為224×224像素作為輸入圖像,由于圖像為灰度圖像,為滿足VGG 3通道需求,本文將灰度圖像進(jìn)行復(fù)制,分別輸入模型中R、G、B 3通道中,將一幅圖像表示為224×224×3的矩陣.

圖1 基于VGG 16的圖像分類模型Fig.1 Image classif ication model based on VGG 16

VGG通過(guò)多次堆疊3×3的卷積核和2×2的最大池化層,來(lái)構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò).VGG 16有13個(gè)卷積層和3個(gè)全連接層,其中13個(gè)卷積層分別在第2、4、7、10和13層被池化層分割,最大池化層起降維操作、保留最大數(shù)值、提高計(jì)算速度,同時(shí)提高所提取特征的穩(wěn)健性.在執(zhí)行完具有卷積層和池化層的5個(gè)迭代過(guò)程后,原始的224×224×3特征圖已縮減為7×7×512.然后執(zhí)行3個(gè)全連接層的操作,7×7×512特征圖經(jīng)過(guò)第1次全連接操作后的輸出單元為4096,為了減輕和防止過(guò)擬合,我們?cè)谟?xùn)練過(guò)程中使用dropout函數(shù)先隨機(jī)扔掉一部分神經(jīng)元,再進(jìn)行第2次全連接操作,該全連接層的輸出也為4096.由于本文為二分類,所以將第3個(gè)全連接層的輸出改為2個(gè)輸出單元.它們代表了CME發(fā)生和未發(fā)生的概率,再使用softmax函數(shù)進(jìn)行歸一化計(jì)算,求得圖像是否有CME結(jié)構(gòu).

每個(gè)卷積層都用3×3的卷積核進(jìn)行卷積,控制滑動(dòng)步長(zhǎng),從左到右,從上到下滑動(dòng),公式可表示為如下:

其中,PCME表示測(cè)試圖像含有CME的概率,xCME和xNOT-CME都是來(lái)自最終輸出層的輸出單元.CNN訓(xùn)練目的是讓損失函數(shù)的值達(dá)到最小,交叉熵?fù)p失公式表示為:

其中,L表示損失值,N表示訓(xùn)練圖像數(shù)量,yi表示第i張圖像的真實(shí)標(biāo)簽值,ai表示第i張圖像softmax求得的預(yù)測(cè)標(biāo)簽值.最后我們選擇自適應(yīng)學(xué)習(xí)率的Adam優(yōu)化器,Adam帶有動(dòng)量項(xiàng)的RMSprop,利用梯度的一階矩估計(jì)和2階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率.

2.4 劃分CM E圖像序列

我們使用訓(xùn)練得到的模型,對(duì)2012年和2014年兩年對(duì)應(yīng)的2月和3月的圖像進(jìn)行預(yù)測(cè),最終得到了預(yù)測(cè)標(biāo)簽.如果將連續(xù)都是標(biāo)簽為1的圖像歸為一個(gè)CME圖像序列,有些圖像序列是不完整的.因此,結(jié)合時(shí)空的連續(xù)性,需要重新制定規(guī)則來(lái)分割CME圖像序列.首先,允許存在間隔一張圖標(biāo)簽為0,但不能連續(xù)兩張圖標(biāo)簽為0.按照第1個(gè)規(guī)則,我們可以得到每個(gè)初步劃分的圖像序列.接著,對(duì)于圖像序列的總時(shí)間和張數(shù)較少的進(jìn)行進(jìn)一步操作:丟棄還是保留這個(gè)圖像序列.如果圖像序列的總時(shí)間小于0.8 h,并且圖片數(shù)少于4張,我們丟棄該圖像序列.反之則保留該圖像序列.最后,對(duì)這部分保留下來(lái)的圖像序列再進(jìn)行進(jìn)一步操作:合并到前一個(gè)圖像序列、合并到后一個(gè)圖像序列或保留不進(jìn)行合并.我們分別計(jì)算與前后兩個(gè)圖像序列的時(shí)間差,通過(guò)設(shè)定時(shí)間閾值1 h來(lái)解決.如果與前后圖像序列都超過(guò)1 h,則不進(jìn)行合并.

3 實(shí)驗(yàn)結(jié)果與分析

本文在LASCO C2數(shù)據(jù)集上進(jìn)行日冕儀圖像分類實(shí)驗(yàn),使用Pytorch 1.2.0框架和Python 3.7語(yǔ)言實(shí)現(xiàn),VGG模型在單塊Quadro P5000的GPU上訓(xùn)練完成.本文選取了2011年1月和2月的圖像做訓(xùn)練集和驗(yàn)證集,數(shù)據(jù)集共有4483張圖像,其中包括3126張訓(xùn)練圖像和1357張驗(yàn)證圖像.對(duì)2011年1月和2月的日冕圖像進(jìn)行降噪等預(yù)處理后,輸入到構(gòu)建好的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練.訓(xùn)練階段超參數(shù)設(shè)置:初始學(xué)習(xí)率為1×10?4,正則化系數(shù)為1×10?8,損失函數(shù)為CrossEntropyLoss,優(yōu)化器選擇自適應(yīng)學(xué)習(xí)率的Adam,模型通過(guò)隨機(jī)參數(shù)初始化開(kāi)始訓(xùn)練.訓(xùn)練完模型后,進(jìn)入測(cè)試階段,本文選取了2012年和2014年兩年對(duì)應(yīng)的2月和3月的日冕儀圖像,共12236張圖像,進(jìn)行CME圖像序列分類測(cè)試.

3.1 模型分析

圖2可看出,經(jīng)過(guò)20輪訓(xùn)練次數(shù)(Epoch),測(cè)試集損失(Loss)趨于穩(wěn)定,測(cè)試集在模型上的最高準(zhǔn)確率為92.5%.表1為本文使用的VGG模型和Wang等人的LeNet模型[11]得到的分類模型評(píng)估比較.計(jì)算了準(zhǔn)確率(Accuracy)、召回率(Recall)、精準(zhǔn)率(Precision)、被模型預(yù)測(cè)為正的正樣本(True Positives)、被模型預(yù)測(cè)為負(fù)的負(fù)樣本(False Positives).可看出本文VGG的分類準(zhǔn)確率達(dá)到92.5%,高于LeNet模型的86.2%.

3.2 圖像分類結(jié)果分析

本文總共統(tǒng)計(jì)到230個(gè)CME圖像序列.從圖3中可看出,多數(shù)CME圖像序列持續(xù)時(shí)間在2 h左右,少數(shù)CME圖像序列超過(guò)5 h.我們從圖中可看到時(shí)間持續(xù)較長(zhǎng)的圖像序列,最長(zhǎng)達(dá)到104 h.這是因?yàn)榘礃?biāo)簽以及結(jié)合時(shí)空連續(xù)性產(chǎn)生的CME圖像序列中,有些CME事件是連續(xù)發(fā)生的.部分CME圖像序列包含了多個(gè)CME事件,進(jìn)而造成CME圖像序列總體持續(xù)時(shí)間較長(zhǎng).

圖2 VGG 16模型測(cè)試集準(zhǔn)確率和損失隨訓(xùn)練次數(shù)的變化Fig.2 VGG 16 model test set accuracy and loss change with ep och

表1 與LeNet網(wǎng)絡(luò)對(duì)比結(jié)果Table 1 Comp arison with the r esults of LeNet

圖3 2012年2、3月和2014年2、3月4個(gè)月數(shù)據(jù)的每個(gè)CME圖像序列持續(xù)時(shí)間統(tǒng)計(jì)圖.Fig.3 Statistics of the duration of each CME image sequence in February and March 2012,and February and M arch 2014.

根據(jù)圖4右圖太陽(yáng)黑子活動(dòng)年份,本文選取了2012年太陽(yáng)黑子數(shù)較少的2月和3月,2014年太陽(yáng)黑子數(shù)較多的2月和3月,使用箱型圖進(jìn)行統(tǒng)計(jì)分析.箱型圖能提供有關(guān)數(shù)據(jù)位置和分散情況的關(guān)鍵信息,尤其在比較不同的母體數(shù)據(jù)時(shí)更可表現(xiàn)其差異.離群點(diǎn)分布在箱型圖外側(cè),表現(xiàn)為有些圖像序列包含了多個(gè)CME事件,導(dǎo)致此類圖像序列的總時(shí)間很長(zhǎng).另一方面,能夠體現(xiàn)這類圖像序列CME活動(dòng)較劇烈.

圖4 左圖為2012年2月至3月(粉色)和2014年2月至3月(藍(lán)色)的各CME圖像序列的時(shí)間統(tǒng)計(jì)箱型圖,每個(gè)箱型包含5條線,從上至下:上邊緣、上四分位數(shù)、中位數(shù)、下四分位數(shù)、下邊緣,菱形數(shù)據(jù)點(diǎn)為離群點(diǎn);右圖為太陽(yáng)活動(dòng)黑子數(shù)的每天(黃線)、每月(藍(lán)線)、每月平滑(紅線)的統(tǒng)計(jì)曲線圖,Standard Curve(SC)預(yù)測(cè)(紅點(diǎn)):僅基于黑子數(shù)序列,Combined Method(CM)預(yù)測(cè)(紅破折線):結(jié)合黑子數(shù)序列和aa地磁指數(shù).圖源http://www.sidc.be/images/wolfjmms.png.Fig.4 The left panel is a box diagram of time statistics of each CME image sequence from February to M arch 2012(pink)and February to March 2014(blue).Each box contains f ive lines,which from top to bottom indicate respectively the upp er edge,upper quantile,median,lower quartile,and lower edge.And diamond data p oints are outlier.The right panel is the statistical curve of the number of sunsp ots p er day(yellow line),p er month(blue line),and p er month after smoothing(red line).SC Predictions(red dots):only based on the sunsp ot number series.CM Predictions(red dashes):combining the sunspot number series with the aa geomagnetic index.Image source http://www.sidc.be/images/wolfjmms.png.

圖4左圖可看出,2012年和2014年這兩年對(duì)應(yīng)的兩個(gè)月數(shù)據(jù),2014年上四分位數(shù)與下四分位數(shù)之差較大,而2012年的較小.對(duì)比太陽(yáng)活動(dòng)年月,2014年2月太陽(yáng)活動(dòng)水平高,2012年2月太陽(yáng)活動(dòng)水平較低或許與CME活動(dòng)程度相關(guān).

統(tǒng)計(jì)分析本文分類方法篩選出來(lái)的每個(gè)CME圖像序列,與CDAW事件庫(kù)比較發(fā)現(xiàn),在起始時(shí)刻上,與CDAW記錄的CME事件基本相差在24 min內(nèi).圖5根據(jù)我們的標(biāo)簽結(jié)合時(shí)空規(guī)則,將圖5的第2張圖至倒數(shù)第2張圖結(jié)束歸為一個(gè)CME圖像序列,但CDAW未記錄該時(shí)段CME事件,表明本文的模型對(duì)CME結(jié)構(gòu)較弱的事件具有較高的靈敏度.其中第2行第3張圖根據(jù)2.4節(jié)中定義的時(shí)空連續(xù)性規(guī)則,這個(gè)單張的標(biāo)簽為0的圖像仍屬于該CME圖像序列.

暈狀(halo)CME是和災(zāi)害性空間天氣最密切相關(guān)的一類CME.圖6是2014年2月19日一個(gè)暈狀CME事件的圖像分類結(jié)果.我們發(fā)現(xiàn),該CME圖像序列所有圖片的分類標(biāo)簽全部被成功地標(biāo)注為1.因而,對(duì)于這類較強(qiáng)的CME事件,本文的分類方法具有很高的分類準(zhǔn)確率.

圖5 CDAW上未標(biāo)注的CME圖像序列舉例,每張圖上方的標(biāo)簽1表示該圖像中含有CME結(jié)構(gòu),反之標(biāo)簽0表示不含有CME結(jié)構(gòu).每張圖下方的T代表時(shí)間,時(shí)間標(biāo)準(zhǔn)為Universal Time Coordinated(UTC).Fig.5 An example of the CM E image sequence which is not catalogued by CDAW.In each panel,label 1 indicates an image with CME structures,while label 0 without.The T at the bottom of each panel represents time,and the time standard is UTC.

圖6 暈狀CME圖像序列舉例Fig.6 An example of a halo CME image sequence

圖7 展示一個(gè)持續(xù)時(shí)間較長(zhǎng)且含有多個(gè)CME事件的CME圖像序列.根據(jù)分類標(biāo)簽和時(shí)空連續(xù)性規(guī)則,圖7的第2張至最后一張歸為一個(gè)圖像序列.從圖中可以發(fā)現(xiàn),該圖像序列至少包含了兩個(gè)以上的窄型CME事件.對(duì)于此類CME圖像序列,我們目前還不能將各個(gè)CME事件區(qū)分開(kāi)來(lái).CME事件的分離依賴于我們后續(xù)的步驟,也就是識(shí)別追蹤過(guò)程[11].

圖7 分類的CME圖像序列至少含有兩個(gè)CME事件舉例Fig.7 An example of a CME image sequence containing at least two CME events

4 總結(jié)與展望

本文選取了部分LASCO C2日冕圖像并做預(yù)處理,從CDAW事件庫(kù)中獲取標(biāo)簽,但是發(fā)現(xiàn)有些圖含有CME結(jié)構(gòu)而CDAW沒(méi)有記錄.因此,在CDAW的基礎(chǔ)上,我們?cè)俅芜M(jìn)行了人工分類.本文使用了VGG 16卷積神經(jīng)網(wǎng)絡(luò)模型,同時(shí)結(jié)合時(shí)空連續(xù)性規(guī)則,能夠自動(dòng)有效分類出各種CME圖像序列,甚至檢測(cè)出較弱的CME結(jié)構(gòu).測(cè)試集圖像分類準(zhǔn)確率達(dá)到92.5%,優(yōu)于Wang等[11]檢測(cè)CME使用的LeNet模型結(jié)果.對(duì)于CME活動(dòng)較劇烈的時(shí)間段,分類出的一個(gè)CME圖像序列可能包含有至少兩個(gè)CME事件.與CDAW事件庫(kù)比較,本文分類出的CME圖像序列包含了絕大部分CDAW標(biāo)注的CME事件.在CME開(kāi)始發(fā)生時(shí)刻上,本文與CDAW標(biāo)注的時(shí)間基本相差在24 min內(nèi).后續(xù)我們將統(tǒng)計(jì)分析更多的LASCO C2圖像數(shù)據(jù),并對(duì)CME進(jìn)行識(shí)別和檢測(cè)跟蹤來(lái)提取各個(gè)CME的主要參數(shù)并建立數(shù)據(jù)庫(kù).未來(lái)本文的方法將應(yīng)用到ASO-S衛(wèi)星上,對(duì)SCI產(chǎn)生的日冕圖像進(jìn)行有無(wú)CME結(jié)構(gòu)的圖像分類,建立CME標(biāo)簽庫(kù),推送給合作的空間天氣預(yù)報(bào)中心,對(duì)CME到達(dá)地球的時(shí)間進(jìn)行預(yù)報(bào).